Doris 的数据模型主要分为 3 类:Aggregate、Uniq、Duplicate
表中的列按照是否设置了 AggregationType,分为 Key(维度列)和 Value(指标列)。没有设置 AggregationType 的称为 Key,设置了 AggregationType 的称为 Value。
当我们导入数据时,对于 Key 列相同的行会聚合成一行,而 Value 列会按照设置的AggregationType 进行聚合。AggregationType 目前有以下四种聚合方式:
-
SUM:求和,多行的 Value 进行累加。
-
REPLACE:替代,下一批数据中的 Value 会替换之前导入过的行中的 Value。
-
REPLACE_IF_NOT_NULL :当遇到 null 值则不更新。
-
MAX:保留最大值。
-
MIN:保留最小值。
数据的聚合,在 Doris 中有如下三个阶段发生:
(1)每一批次数据导入的 ETL 阶段。该阶段会在每一批次导入的数据内部进行聚合。
(2)底层 BE 进行数据 Compaction 的阶段。该阶段,BE 会对已导入的不同批次的数据进行进一步的聚合。
(3)数据查询阶段。在数据查询时,对于查询涉及到的数据,会进行对应的聚合。
数据在不同时间,可能聚合的程度不一致。比如一批数据刚导入时,可能还未与之前已存在的数据进行聚合。
但是对于用户而言,用户只能查询到聚合后的数据。即不同的聚合程度对于用户查询而言是透明的。用户需始终认为数据以最终的完成的聚合程度存在,而不应假设某些聚合还未发生。
示例一:导入数据聚合
1)建表
CREATE TABLE IF NOT EXISTS test_db.example_site_visit
(
`user_id` LARGEINT NOT NULL COMMENT "用户 id",
`date` DATE NOT NULL COMMENT "数据灌入日期时间",
`city` VARCHAR(20) COMMENT "用户所在城市",
`age` SMALLINT COMMENT "用户年龄",
`sex` TINYINT COMMENT "用户性别",
`last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
`last_visit_date_not_null` DATETIME REPLACE_IF_NOT_NULL DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
`cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消费",
`max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
`min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间"
)
AGGREGATE KEY(`user_id`, `date`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10;
如果只有一台设备还需要在建表语句的最后指定一个副本
PROPERTIES
(
"replication_num" = "1" -- 指定一个副本(默认三个)
);
2)插入数据
insert into test_db.example_site_visit
values (10000, '2017-10-01', '北京', 20, 0, '2017-10-01 06:00:00', '2017-10-01 06:00:00', 20, 10, 10),
(10000, '2017-10-01', '北京', 20, 0, '2017-10-01 07:00:00', '2017-10-01 07:00:00', 15, 2, 2),
(10001, '2017-10-01', '北京', 30, 1, '2017-10-01 17:05:45', '2017-10-01 07:00:00', 2, 22, 22),
(10002, '2017-10-02', '上海 ', 20, 1, '2017-10-02 12:59:12', null, 200, 5, 5),
(10003, '2017-10-02', '广州', 32, 0, '2017-10-02 11:20:00', '2017-10-02 11:20:00', 30, 11, 11),
(10004, '2017-10-01', '深圳', 35, 0, '2017-10-01 10:00:15', '2017-10-01 10:00:15', 100, 3, 3),
(10004, '2017-10-03', '深圳', 35, 0, '2017-10-03 10:20:22', '2017-10-03 10:20:22', 11, 6, 6);
注意:Insert into 单条数据这种操作在 Doris 里只能演示不能在生产使用,会引发写阻塞。
3)查看表
select * from test_db.example_site_visit;
可以看到,用户 10000 只剩下了一行聚合后的数据。而其余用户的数据和原始数据保持一致。经过聚合,Doris 中最终只会存储聚合后的数据。换句话说,即明细数据会丢失,用户不能够再查询到聚合前的明细数据了。
示例二:保留明细数据
1)建表
CREATE TABLE IF NOT EXISTS test_db.example_site_visit2
(
`user_id` LARGEINT NOT NULL COMMENT "用户 id",
`date` DATE NOT NULL COMMENT "数据灌入日期时间",
`timestamp` DATETIME COMMENT "数据灌入时间,精确到秒",
`city` VARCHAR(20) COMMENT "用户所在城市",
`age` SMALLINT COMMENT "用户年龄",
`sex` TINYINT COMMENT "用户性别",
`last_visit_date` DATETIME REPLACE DEFAULT "1970-01-01 00:00:00" COMMENT "用户最后一次访问时间",
`cost` BIGINT SUM DEFAULT "0" COMMENT "用户总消费",
`max_dwell_time` INT MAX DEFAULT "0" COMMENT "用户最大停留时间",
`min_dwell_time` INT MIN DEFAULT "99999" COMMENT "用户最小停留时间"
) AGGREGATE KEY(`user_id`, `date`, `timestamp`, `city`, `age`, `sex`)
DISTRIBUTED BY HASH(`user_id`) BUCKETS 10
PROPERTIES
(
"replication_num" = "1" -- 指定一个副本(默认三个)
);
2)插入数据
insert into test_db.example_site_visit2
values (10000, '2017-10-01', '2017-10-01 08:00:05', ' 北 京 ', 20, 0, '2017-10-01 06:00:00', 20, 10, 10),
(10000, '2017-10-01', '2017-10-01 09:00:05', '北京', 20, 0, '2017-10-01 07:00:00', 15, 2, 2),
(10001, '2017-10-01', '2017-10-01 18:12:10', '北京', 30, 1, '2017-10-01 17:05:45', 2, 22, 22),
(10002, '2017-10-02', '2017-10-02 13:10:00', '上海', 20, 1, '2017-10-02 12:59:12', 200, 5, 5),
(10003, '2017-10-02', '2017-10-02 13:15:00', '广州', 32, 0, '2017-10-02 11:20:00', 30, 11, 11),
(10004, '2017-10-01', '2017-10-01 12:12:48', '深圳', 35, 0, '2017-10-01 10:00:15', 100, 3, 3),
(10004, '2017-10-03', '2017-10-03 12:38:20', '深圳', 35, 0, '2017-10-03 10:20:22', 11, 6, 6);
3)查看表
select * from test_db.example_site_visit2;
存储的数据,和导入数据完全一样,没有发生任何聚合。这是因为,这批数据中,因为加入了 timestamp 列,所有行的 Key 都不完全相同。也就是说,只要保证导入的数据中,每一行的 Key 都不完全相同,那么即使在聚合模型下,Doris 也可以保存完整的明细数据。
示例三:导入数据与已有数据聚合
1)往实例一中继续插入数据
insert into test_db.example_site_visit
values (10004, '2017-10-03', '深圳', 35, 0, '2017-10-03 11:22:00', null, 44, 19, 19),
(10005, '2017-10-03', '长沙', 29, 1, '2017-10-03 18:11:02', '2017-10-03 18:11:02', 3, 1, 1);
2)查看表
select * from test_db.example_site_visit;
可以看到,用户 10004 的已有数据和新导入的数据发生了聚合。同时新增了 10005 用户的数据